[Python知识库] 惊呆了探究如果机器用KDJ法对股票进行做套的胜率竟高达％80

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> Python知识库 -> 惊呆了探究如果机器用KDJ法对股票进行做套的胜率竟高达％80 -> 正文阅读

[Python知识库]惊呆了探究如果机器用KDJ法对股票进行做套的胜率竟高达％80

做套：惊呆了！探究如果机器用KDJ法对股票进行做套的胜率,竟高达%80。

前言：

接上一篇：惊呆了,探究如果机器用MACD法对股票进行做套的胜率,竟高达%80

今天在整理自研量化系统的代码屎山时，也无意间想记录一下如果仅仅严格按照KDJ法对买入的股票进行做套，胜率将会是多少呢？

接下来就来尝试一下，首先得简单了解一下什么是KDJ，这个我也不多解释了，“dddd”，所以简单百度百科一下：随机指标KDJ一般是用于股票分析的统计体系，根据统计学原理，通过一个特定的周期（常为9日、9周等）内出现过的最高价、最低价及最后一个计算周期的收盘价及这三者之间的比例关系，来计算最后一个计算周期的未成熟随机值RSV，然后根据平滑移动平均线的方法来计算K值、D值与J值，并绘成曲线图来研判股票走势。

简单了解完之后就可以开始实现了：

第一步导入数据：
```
df = pd.read_csv("2021-11-19.csv")
```
这里用一下2021年11月19号的上证A股所有股票的日分钟数据

忽略’code’列股票代码显示不全的问题，从数据库备份转csv时没注意code特征列数值的属性，但对这次实验不造成影响，后期把“0”补回去就好了，就是csv保存时把前面的“0”都去掉了，数据量有54w条，足够大了。

构造计算KDJ的函数

这里就需要用到kdj的公式了

自己查，很简单的

完整的计算kdj函数的代码为：

def CalculateKDJ(price_list, _kdj):
    """
    :param price_list: 
    :param _kdj: 列表 例如 [0, 0, 0]
    :return:
    """
    RSV = 0
    if max(price_list) - min(price_list) != 0:
        RSV = (price_list[-1] - min(price_list)) / (max(price_list) - min(price_list)) * 100
    K = 2 / 3 * _kdj[0] + 1 / 3 * RSV
    D = 2 / 3 * _kdj[1] + 1 / 3 * K
    J = 3 * K - 2 * D
    return [round(K, 2), round(D, 2), round(J, 2)]

此外，还利用sklearn的线性模型库linear_model构造一个可以计算一段时间内价格变动趋势的函数，其实就是分析线性方程组的斜率，从而得知在这段时间，价格变动的趋势

def CalculateTrend(price_list):
    """
    :param price_list: 
    :return:
    """
    regr = linear_model.LinearRegression()
    X = list()
    for x in range(1, len(price_list) + 1):
        X.append([x])
    regr.fit(X, price_list)
    return regr.coef_.tolist()[0]

重头戏来了，函数都备好了，万事俱备只欠东风，得构造一个逻辑函数或称为步骤函数去利用数据然后作出决策，然后再判断决策是否正确

做套的两件大事（不要做反套）：
- 卖的时候比原本持仓价格要高
- 买的时候比原本持仓价格要低
因此在函数中设置一个阈值"threshold"来从当这个原本持仓价格
初始值设立：
- Ki-1表示前一天的K值，若无前一天的K值，则用50来代替。Di-1表示前一天的D值，若无前一天的D值，则用50来代替。所以初始KDJ设为[50,50,0]。
- 原本持仓价格我们不可能每一个股票都输入一个持仓价格，因此我将持仓价格设置为当天开盘的数据，其实原本持仓价格只是从当一个阈值效果，帮助我们不要做反套，所以这样设立也确实没多大问题。
- 不设立买入和卖出限制的股数，因为要尽可能的多测试样例，但这在现时中是不合理的，因为我们买入卖出的股份不可能是无限多。所以在想要使用的时候，可以添加一个限制操作股数的值，当买或卖达到了这个值，就不能也不用再操作这只股票了
但KDJ就是遵循多种操作方式：
```
# K与D值永远介于0到100之间。D大于80时，行情呈现超买现象。D小于20时，行情呈现超卖现象。

# J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。
# 当K值由较小逐渐大于D值，在图形上显示K线从下方上穿D线，所以在图形上K线向上突破D线时，俗称金叉，即为买进的讯号
# 当K值由较大逐渐小于D值，在图形上显示K线从上方下穿D线，所以在图形上K线向下突破D线时，俗称死叉，即为卖出的讯号
```
为了探究其中哪个更适合用于"做套"，可以把它看成超短期交易，所以可视化一下KDJ的分布规律：
- 首先获取到全部的股票的日KDJ全部数据
```
data = {'K':list(),'D':list(),'J':list()}
for code in set(df['code'].to_list()):
price_list = df[df['code'] == code]['最新价'].to_list()

threshold = price_list[0]
# Ki-1表示前一天的K值，若无前一天的K值，则用50来代替。
# Di-1表示前一天的D值，若无前一天的D值，则用50来代替。
_KDJ = [50, 50, 0]
for i in range(9, len(price_list), 9):
    KDJ = CalculateKDJ(price_list[i - 9:i], _kdj=_KDJ)
    data['K'].append(KDJ[0])
    data['D'].append(KDJ[1])
    data['J'].append(KDJ[2])
    _KDJ = KDJ
data = pd.DataFrame(data)
```
随随便便看看吧，会的也不是很多，看一下每列分布吧：

从左往右依次为K，D，J的分布情况：
- 符合：K与D值永远介于0到100之间，J指标可超过100和低于0
  
  但对于D大于80时，行情呈现超买现象。D小于20时，行情呈现超卖现象。根据数据列分布情况，我觉得这个可能对于超短期帮助不大，因此待会实验，也添加一个条件试验一下就好了。
D值和J值的变化曲线：

在这里插入图片描述

然后我叠加了一个用于判断趋势的函数:

当判断到买时趋势是向下的（<0）,则放弃购买
当判断到卖时趋势是向上的（>0）,则放弃售卖

判断胜负的方式用，买入（卖出）时的价格低于（高于）接下来10分钟的平均价，则判为胜。

    for code in tqdm(set(df['code'].to_list())):
        price_list = df[df['code'] == code]['最新价'].to_list()
        r = 0
        t = 0
        threshold = price_list[0]
        # Ki-1表示前一天的K值，若无前一天的K值，则用50来代替。
        # Di-1表示前一天的D值，若无前一天的D值，则用50来代替。
        _KDJ = [50, 50, 0]
        for i in range(5, len(price_list), 5):
            KDJ = CalculateKDJ(price_list[i - 5:i], _kdj=_KDJ)
            if price_list[i] < threshold:
                if KDJ[2] >= 100:
                    if CalculateTrend(price_list[i - 5:i]) > 0:
                        buy['code'].append(code)
                        buy['买入价'].append(price_list[i])
                        buy['买入后十分钟平均价:'].append(np.mean(price_list[i + 1:i + 11]))
                        r += 1 if price_list[i] <= np.mean(price_list[i + 1:i + 11]) else -1
                        t += 1
            if price_list[i] > threshold:
                if KDJ[2] <= 0:
                    if CalculateTrend(price_list[i - 5:i]) < 0:
                        sell['code'].append(code)
                        sell['卖出价'].append(price_list[i])
                        sell['卖出后十分钟平均价:'].append(np.mean(price_list[i + 1:i + 11]))
                        r += 1 if price_list[i] >= np.mean(price_list[i + 1:i + 11]) else -1
                        t += 1
            _KDJ = KDJ
        if t != 0:
            rate['code'].append(code)
            rate['胜率'].append(r / t)

一通捣鼓下来，观看实验效果：

仅用“J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。”

胜率为
用“J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。”和

D大于80时，行情呈现超买现象。D小于20时，行情呈现超卖现象。“胜率为

，反而降低了
用“当K值由较小逐渐大于D值，在图形上显示K线从下方上穿D线，所以在图形上K线向上突破D线时，俗称金叉，即为买进的讯号”和“当K值由较大逐渐小于D值，在图形上显示K线从上方下穿D线，所以在图形上K线向下突破D线时，俗称死叉，即为卖出的讯号”胜率为
可见J值更敏感，对于这种“日内做套”的手段，胜率显得更高一点。

完整代码：

import pandas as pd
from sklearn import linear_model
from tqdm import tqdm
import numpy as np


def CalculateKDJ(price_list, _kdj):
    """
    :param price_list: 
    :param _kdj: 列表 例如 [0, 0, 0]
    :return:
    """

    RSV = 0
    if max(price_list) - min(price_list) != 0:
        RSV = (price_list[-1] - min(price_list)) / (max(price_list) - min(price_list)) * 100

    K = 2 / 3 * _kdj[0] + 1 / 3 * RSV

    D = 2 / 3 * _kdj[1] + 1 / 3 * K

    J = 3 * K - 2 * D

    return [round(K, 2), round(D, 2), round(J, 2)]


def CalculateTrend(price_list):
    """
    :param price_list: 
    :return:
    """
    regr = linear_model.LinearRegression()
    X = list()
    for x in range(1, len(price_list) + 1):
        X.append([x])
    regr.fit(X, price_list)
    return regr.coef_.tolist()[0]


if __name__ == '__main__':

    # K与D值永远介于0到100之间。D大于80时，行情呈现超买现象。D小于20时，行情呈现超卖现象。

    # J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。
    # 当K值由较小逐渐大于D值，在图形上显示K线从下方上穿D线，所以在图形上K线向上突破D线时，俗称金叉，即为买进的讯号
    # 当K值由较大逐渐小于D值，在图形上显示K线从上方下穿D线，所以在图形上K线向下突破D线时，俗称死叉，即为卖出的讯号
    df = pd.read_csv("min_test_data.csv")

    buy = {'code': list(), '买入价': list(), '买入后十分钟平均价:': list()}
    sell = {'code': list(), '卖出价': list(), '卖出后十分钟平均价:': list()}
    rate = {'code': list(), '胜率': list()}
    for code in tqdm(set(df['code'].to_list())):

        price_list = df[df['code'] == code]['最新价'].to_list()

        r = 0
        t = 0

        threshold = price_list[0]
        # Ki-1表示前一天的K值，若无前一天的K值，则用50来代替。
        # Di-1表示前一天的D值，若无前一天的D值，则用50来代替。
        _KDJ = [50, 50, 0]

        for i in range(5, len(price_list), 5):
            KDJ = CalculateKDJ(price_list[i - 5:i], _kdj=_KDJ)
            if price_list[i] < threshold:

                if KDJ[2] >= 100:

                    if CalculateTrend(price_list[i - 5:i]) > 0:
                        buy['code'].append(code)
                        buy['买入价'].append(price_list[i])
                        buy['买入后十分钟平均价:'].append(np.mean(price_list[i + 1:i + 11]))
                        r += 1 if price_list[i] <= np.mean(price_list[i + 1:i + 11]) else -1
                        t += 1

            if price_list[i] > threshold:
                if KDJ[2] <= 0:

                    if CalculateTrend(price_list[i - 5:i]) < 0:
                        sell['code'].append(code)
                        sell['卖出价'].append(price_list[i])
                        sell['卖出后十分钟平均价:'].append(np.mean(price_list[i + 1:i + 11]))
                        r += 1 if price_list[i] >= np.mean(price_list[i + 1:i + 11]) else -1
                        t += 1

            _KDJ = KDJ

        if t != 0:
            rate['code'].append(code)
            rate['胜率'].append(r / t)

    buy = pd.DataFrame(buy)
    print(buy.head())
    sell = pd.DataFrame(sell)
    print(sell.head())
    rate = pd.DataFrame(rate)
    print(rate.head())
    print(rate['胜率'].sum() / len(rate))